生物标志物基准-GEO基因表达数据-GSE38958

数据集获取

源站：https://doi.org/10.6084/m9.figshare.2069708.v5

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据集大小约 63.4 MB。

数据说明

特发性肺纤维化（IPF）是一种病因不明、慢性进行性纤维化间质性疾病的特定类型。仅基于基因表达信息进行早期诊断和预测IPF进展仍不切实际。此外，基因表达与IPF定量表型值之间的关系一直存在争议。为了识别预测IPF生存的生物标志物，我们分析了外周血单核细胞（PBMCs）中蛋白质编码基因的表达。我们将基因表达水平与IPF的定量表型变异联系起来，包括一氧化碳弥散量（DLCO）和用力肺活量（FVC）预测百分比。通过对表达谱和定量表型数据的计算机分析，生成了一组有效预测IPF生存的IPF分子特征。http://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE38958 我们包括了基因表达数据、被预测的结果（类别）以及任何临床协变量。当基因表达数据分批处理时，我们提供了批次信息。

每个数据集被组织成一个文件集，其中包含该单独数据集的所有相关文件。基因表达文件已使用Bioconductor中的SCAN.UPC包（https://www.bioconductor.org/packages/release/bioc/html/SCAN.UPC.html），通过SCAN和UPC两种方法进行了标准化。我们利用BrainArray资源（http://brainarray.mbni.med.umich.edu/Brainarray/Database/CustomCDF/20.0.0/ensg.asp）在基因水平上对数据进行了汇总。我们使用了Ensembl标识符。类别、临床和批次数据经过手工整理，以确保一致性（“整洁数据”格式）。此外，数据文件已被格式化，以便轻松导入ML-Flex机器学习包（http://mlflex.sourceforge.net/）。

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。